Para penulis mengusulkan RITA, sebuah kerangka kerja yang meningkatkan ketahanan adversarial dari Model Visi-Bahasa yang telah dilatih sebelumnya dengan beralih dari estimasi tingkat sampel ke penyesuaian tingkat distribusi selama waktu pengujian.
- RITA menggunakan transportasi optimal untuk menyesuaikan fitur visual yang diperkuat dengan prototipe teks, mengurangi outlier adversarial dan memperbaiki ketidaksesuaian semantik lintas-modal.
- Cache dinamis secara progresif mengakumulasi petunjuk andal dari aliran pengujian untuk penyempurnaan daring.
- Eksperimen menunjukkan bahwa RITA secara signifikan meningkatkan ketahanan adversarial tanpa mengorbankan akurasi bersih.